本文分析一个现象为什么现在 RAG 越少越少提及了欢迎留言评论。记得去年学 Agent 必学 RAG2024、2025 年如果你在学习 AI AgentRAG检索增强生成几乎是绕不开的话题。各种教程、课程、YouTube 视频开篇必讲 RAG。什么是向量数据库、什么是 Embedding、如何做文档切片、如何调相似度阈值……学完之后还要折腾 Pinecone、Weaviate、Chroma踩一堆坑。那时候的感觉是不懂 RAG就不算真的懂 Agent。但最近一年情况悄悄变了。打开各种 Agent 框架的文档看社区里大家在讨论什么听播客里在聊什么——RAG 的出现频率越来越低了。取而代之的是另一套词汇Skills、Tools、MCP、Memory、Context Files、Cron、Channels……RAG 去哪儿了它消失了吗还是说我们的认知需要更新我认为有以下几个原因。原因一Skill Tool 已经足够用了先说最直接的原因对于绝大多数 Agent 的日常使用场景Skill 和 Tool 完全够用。想一想你平时用 Agent 在做什么写代码、调试、重构写文章、做分析报告查资料、整理信息发邮件、管日历这些场景一个web_searchtool、一个run_codetool、一个read_filetool基本上全搞定了。更重要的是Skill 和 Tool 的传播成本极低。一个 skill 文件就是一段文字描述告诉 Agent 怎么做某件事。你可以通过 GitHub 分享别人下载下来就能用几乎零配置。Claude Code、OpenClaw 这类产品社区里有人做好了各种 skill直接拿来用就行。而且效果好用起来直觉出了问题也容易排查。这种简单、易传播、效果好的特性让 skill/tool 迅速成为 Agent 生态的主流选择。原因二RAG 的成本真的不低RAG 听起来很美但真正用起来你会发现成本比想象中高很多——不只是钱还有时间和精力。搭建成本你需要选一个向量数据库PineconeWeaviateQdrant注册账号搞明白它的 API写数据导入的逻辑处理文档切片chunk size 多少overlap 多少跑 Embedding 模型把文本向量化……光是把这套流程跑通没有一两天搞不定。费用成本主流向量数据库几乎都不免费。Embedding 模型调用要花 token 费用存储要花钱查询要花钱。对于个人开发者或者小项目来说这些费用加起来并不便宜。维护成本数据不是一次性的。文档更新了怎么办要重新 Embedding要更新向量库要处理增量同步……这套维护逻辑比代码本身还麻烦。相比之下一个 tool 就是一次 API 调用很多还是免费的搜网页、读本地文件。对于个人开发者这笔账很好算能用 tool 解决的为什么要搭一套 RAG pipeline原因三LLM 自身能力在不断填平 RAG 的价值这是最根本的原因也是最容易被忽视的一个。RAG 的核心能力是什么语义搜索——从大量文本里找出跟当前问题最相关的内容。但问题是LLM 天生就支持语义理解而且理解能力已经比早期的 Embedding 模型强太多了。RAG 出现的时候LLM 有两个硬伤Context Window 太小4K token 根本装不下多少内容必须先筛选再喂给模型理解能力有限需要专门训练的 Embedding 模型来做向量相似度计算所以 RAG 的逻辑是先用向量搜索把候选内容缩小到几条再把这几条喂给 LLM。但现在这两个短板都在快速消失Context Window 从 4K 涨到了 128K再到 200K很多内容根本不需要预筛选直接全塞进去就行LLM 的语义理解能力远超当年让它自己在一大堆内容里找答案反而更准举一个具体例子Tool 选择问题。早期 Agent 如果有几百个 toolcontext 装不下就得用 RAG先把问题向量化检索出最相关的几个 tool再交给 LLM 选择。现在呢直接把所有 tool 的描述全部发给 LLM让它自己判断用哪个。多花了一点 token但省掉了整套向量检索的基础设施。多花一点 LLM token 的费用远比维护一套 RAG 服务的费用和复杂度要低得多。这种替代正在悄悄发生在很多场景里。LLM 越来越强它能直接内化的事情越来越多中间那层预处理的必要性就越来越低。原因四张雪峰.skill 给我的启发前段时间考研指导领域的知名博主张雪峰不幸因心源性猝死离世年仅 41 岁令人惋惜。他做了十几年的考研、志愿填报指导粉丝数千万内容跨越无数场直播、课程、视频。按理说这么多年积累的知识量应该是海量的。但让我没想到的是有人在他去世后把他生前的核心语录和方法论整理成了一个张雪峰.skillGitHub 上可以找到让 Agent 用他的风格和逻辑回答升学问题。一个 skill 文件就装下了他十几年的精华。这件事让我重新思考了一个问题我们普通人积累的专业知识到底有多少答案可能是没有我们想象中那么多。绝大多数人的专业知识本质上是一套判断框架遇到这种情况应该怎么分析一些经验规则这个专业就业不好那个城市机会更多一种表达风格接地气、直白、不绕弯子这些东西高度结构化完全可以被一个 skill 的 system prompt 压缩表达。真正需要 RAG 的是那种无法被规则化的细粒度数据——比如企业里每一条客户记录、每一份合同原文、每一个历史订单的具体信息。张雪峰的知识属于前者所以一个 skill 就够了。这个例子把 RAG 和 skill 的边界说得很清楚能被规则化、结构化表达的知识 → Skill必须逐条精确检索的数据 → RAG原因五现在的 Agent 产品几乎全是 toC 的把上面所有原因加在一起还有一个更宏观的视角当前 Agent 生态主角是 toC 产品。Claude Code、OpenClaw、Cursor、Devin……这些让社区兴奋的明星产品针对的都是个人用户。个人用户的特点是什么数据量不大。你的代码库、你的笔记、你的文档说到底就那么多完全不需要向量数据库来管理成本敏感。个人用户不愿意为了一个功能额外付费订阅第三方服务追求开箱即用。下载安装马上能用才会被推荐传播这三点加在一起直接决定了toC 的 Agent 产品天然排斥 RAG天然偏向 skill/tool。以 OpenClaw 为例它内部没有 RAG也没有向量数据库照样能正常运行完整的 memory、tools、skills 机制。靠的就是 LLM 自身的强大能力加上精心设计的 skill 体系。反观 toB 的场景企业有海量的私有数据有精确检索的需求有合规审计的要求成本相对不敏感……这些特征全部指向 RAG。但问题是目前还没有出现一个现象级的 toB Agent 明星产品。Salesforce Agentforce、ServiceNow 的 AI Agent 在做一些垂直领域法律、医疗、金融也有探索但都还没有出圈——没有达到 Claude Code 那种让整个开发者社区都在讨论的程度。这不是偶然的。toB 的 Agent 落地有更高的壁垒企业数据敏感不能随便上云私有化部署的模型能力又差一截接入企业已有系统ERP、CRM、几十年的遗留系统成本极高决策链条长IT、法务、采购都要过推进慢出错代价高Agent 搞错了一条生产数据比开发者看到一段错误代码严重得多所以 toB Agent 还在蓄力还没到爆发的时候。总结RAG 没有消失只是在等待自己的主场把所有原因梳理在一起原因对 RAG 的影响Skill/Tool 足够用大多数场景不需要 RAGRAG 成本高toC 用户主动回避LLM 能力增强语义搜索可以被模型内化Context Window 变大不再需要预筛选Agent 以 toC 为主个人数据量小RAG 无用武之地五个力量同时在压缩 RAG 的生存空间。但 RAG 并没有消失它只是从前台明星技术退到了后台等待区。就像 HTTP 协议你不会每次聊起 Web 开发都专门提它但它一直在那里。很多云厂商的 AI 服务已经把 RAG 封装好了开发者不需要手搓自然就少被专门讨论。更重要的是当 toB Agent 真正爆发的那一天RAG 很可能重回大众视野。企业场景天然就是海量私有数据、精确检索、权限隔离、合规审计。这些全是 RAG 的主场。所以正确的理解不是RAG 死了而是当前 Agent 生态以 toC 为主个人产品的场景和约束让 Skill/Tool 成为主角RAG 暂时退场。一旦 toB Agent 起来RAG 还会回来。技术没有好坏只有适不适合当下的场景。RAG 现在的沉寂只是在等一个更大的舞台。这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容 为什么现在 RAG 越少越少提及了
本文分析一个现象为什么现在 RAG 越少越少提及了欢迎留言评论。记得去年学 Agent 必学 RAG2024、2025 年如果你在学习 AI AgentRAG检索增强生成几乎是绕不开的话题。各种教程、课程、YouTube 视频开篇必讲 RAG。什么是向量数据库、什么是 Embedding、如何做文档切片、如何调相似度阈值……学完之后还要折腾 Pinecone、Weaviate、Chroma踩一堆坑。那时候的感觉是不懂 RAG就不算真的懂 Agent。但最近一年情况悄悄变了。打开各种 Agent 框架的文档看社区里大家在讨论什么听播客里在聊什么——RAG 的出现频率越来越低了。取而代之的是另一套词汇Skills、Tools、MCP、Memory、Context Files、Cron、Channels……RAG 去哪儿了它消失了吗还是说我们的认知需要更新我认为有以下几个原因。原因一Skill Tool 已经足够用了先说最直接的原因对于绝大多数 Agent 的日常使用场景Skill 和 Tool 完全够用。想一想你平时用 Agent 在做什么写代码、调试、重构写文章、做分析报告查资料、整理信息发邮件、管日历这些场景一个web_searchtool、一个run_codetool、一个read_filetool基本上全搞定了。更重要的是Skill 和 Tool 的传播成本极低。一个 skill 文件就是一段文字描述告诉 Agent 怎么做某件事。你可以通过 GitHub 分享别人下载下来就能用几乎零配置。Claude Code、OpenClaw 这类产品社区里有人做好了各种 skill直接拿来用就行。而且效果好用起来直觉出了问题也容易排查。这种简单、易传播、效果好的特性让 skill/tool 迅速成为 Agent 生态的主流选择。原因二RAG 的成本真的不低RAG 听起来很美但真正用起来你会发现成本比想象中高很多——不只是钱还有时间和精力。搭建成本你需要选一个向量数据库PineconeWeaviateQdrant注册账号搞明白它的 API写数据导入的逻辑处理文档切片chunk size 多少overlap 多少跑 Embedding 模型把文本向量化……光是把这套流程跑通没有一两天搞不定。费用成本主流向量数据库几乎都不免费。Embedding 模型调用要花 token 费用存储要花钱查询要花钱。对于个人开发者或者小项目来说这些费用加起来并不便宜。维护成本数据不是一次性的。文档更新了怎么办要重新 Embedding要更新向量库要处理增量同步……这套维护逻辑比代码本身还麻烦。相比之下一个 tool 就是一次 API 调用很多还是免费的搜网页、读本地文件。对于个人开发者这笔账很好算能用 tool 解决的为什么要搭一套 RAG pipeline原因三LLM 自身能力在不断填平 RAG 的价值这是最根本的原因也是最容易被忽视的一个。RAG 的核心能力是什么语义搜索——从大量文本里找出跟当前问题最相关的内容。但问题是LLM 天生就支持语义理解而且理解能力已经比早期的 Embedding 模型强太多了。RAG 出现的时候LLM 有两个硬伤Context Window 太小4K token 根本装不下多少内容必须先筛选再喂给模型理解能力有限需要专门训练的 Embedding 模型来做向量相似度计算所以 RAG 的逻辑是先用向量搜索把候选内容缩小到几条再把这几条喂给 LLM。但现在这两个短板都在快速消失Context Window 从 4K 涨到了 128K再到 200K很多内容根本不需要预筛选直接全塞进去就行LLM 的语义理解能力远超当年让它自己在一大堆内容里找答案反而更准举一个具体例子Tool 选择问题。早期 Agent 如果有几百个 toolcontext 装不下就得用 RAG先把问题向量化检索出最相关的几个 tool再交给 LLM 选择。现在呢直接把所有 tool 的描述全部发给 LLM让它自己判断用哪个。多花了一点 token但省掉了整套向量检索的基础设施。多花一点 LLM token 的费用远比维护一套 RAG 服务的费用和复杂度要低得多。这种替代正在悄悄发生在很多场景里。LLM 越来越强它能直接内化的事情越来越多中间那层预处理的必要性就越来越低。原因四张雪峰.skill 给我的启发前段时间考研指导领域的知名博主张雪峰不幸因心源性猝死离世年仅 41 岁令人惋惜。他做了十几年的考研、志愿填报指导粉丝数千万内容跨越无数场直播、课程、视频。按理说这么多年积累的知识量应该是海量的。但让我没想到的是有人在他去世后把他生前的核心语录和方法论整理成了一个张雪峰.skillGitHub 上可以找到让 Agent 用他的风格和逻辑回答升学问题。一个 skill 文件就装下了他十几年的精华。这件事让我重新思考了一个问题我们普通人积累的专业知识到底有多少答案可能是没有我们想象中那么多。绝大多数人的专业知识本质上是一套判断框架遇到这种情况应该怎么分析一些经验规则这个专业就业不好那个城市机会更多一种表达风格接地气、直白、不绕弯子这些东西高度结构化完全可以被一个 skill 的 system prompt 压缩表达。真正需要 RAG 的是那种无法被规则化的细粒度数据——比如企业里每一条客户记录、每一份合同原文、每一个历史订单的具体信息。张雪峰的知识属于前者所以一个 skill 就够了。这个例子把 RAG 和 skill 的边界说得很清楚能被规则化、结构化表达的知识 → Skill必须逐条精确检索的数据 → RAG原因五现在的 Agent 产品几乎全是 toC 的把上面所有原因加在一起还有一个更宏观的视角当前 Agent 生态主角是 toC 产品。Claude Code、OpenClaw、Cursor、Devin……这些让社区兴奋的明星产品针对的都是个人用户。个人用户的特点是什么数据量不大。你的代码库、你的笔记、你的文档说到底就那么多完全不需要向量数据库来管理成本敏感。个人用户不愿意为了一个功能额外付费订阅第三方服务追求开箱即用。下载安装马上能用才会被推荐传播这三点加在一起直接决定了toC 的 Agent 产品天然排斥 RAG天然偏向 skill/tool。以 OpenClaw 为例它内部没有 RAG也没有向量数据库照样能正常运行完整的 memory、tools、skills 机制。靠的就是 LLM 自身的强大能力加上精心设计的 skill 体系。反观 toB 的场景企业有海量的私有数据有精确检索的需求有合规审计的要求成本相对不敏感……这些特征全部指向 RAG。但问题是目前还没有出现一个现象级的 toB Agent 明星产品。Salesforce Agentforce、ServiceNow 的 AI Agent 在做一些垂直领域法律、医疗、金融也有探索但都还没有出圈——没有达到 Claude Code 那种让整个开发者社区都在讨论的程度。这不是偶然的。toB 的 Agent 落地有更高的壁垒企业数据敏感不能随便上云私有化部署的模型能力又差一截接入企业已有系统ERP、CRM、几十年的遗留系统成本极高决策链条长IT、法务、采购都要过推进慢出错代价高Agent 搞错了一条生产数据比开发者看到一段错误代码严重得多所以 toB Agent 还在蓄力还没到爆发的时候。总结RAG 没有消失只是在等待自己的主场把所有原因梳理在一起原因对 RAG 的影响Skill/Tool 足够用大多数场景不需要 RAGRAG 成本高toC 用户主动回避LLM 能力增强语义搜索可以被模型内化Context Window 变大不再需要预筛选Agent 以 toC 为主个人数据量小RAG 无用武之地五个力量同时在压缩 RAG 的生存空间。但 RAG 并没有消失它只是从前台明星技术退到了后台等待区。就像 HTTP 协议你不会每次聊起 Web 开发都专门提它但它一直在那里。很多云厂商的 AI 服务已经把 RAG 封装好了开发者不需要手搓自然就少被专门讨论。更重要的是当 toB Agent 真正爆发的那一天RAG 很可能重回大众视野。企业场景天然就是海量私有数据、精确检索、权限隔离、合规审计。这些全是 RAG 的主场。所以正确的理解不是RAG 死了而是当前 Agent 生态以 toC 为主个人产品的场景和约束让 Skill/Tool 成为主角RAG 暂时退场。一旦 toB Agent 起来RAG 还会回来。技术没有好坏只有适不适合当下的场景。RAG 现在的沉寂只是在等一个更大的舞台。这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容